Qlib 是微软开源的 AI 导向量化投资平台（AI-oriented quantitative investment platform），旨在用 AI 技术赋能量化研究，从探索想法到生产落地全流程支持。目前最新活跃版本基于 GitHub microsoft/qlib 主仓库，它不是一个简单的回测框架，而是试图把机器学习（尤其是监督学习、市场动态建模、强化学习）无缝融入量化全链路。
一句话总结： Qlib = Quant + ML 的'一站式'工具箱，让你可以用 Python 快速实验 Alpha 挖掘、特征工程、模型训练、回测、组合优化、风险建模，甚至现在还集成了 RD-Agent 来自动化部分 R&D 过程。
核心定位与设计理念
Qlib 的目标是'让 AI 真正为量化投资创造价值'，所以它不像传统回测框架（如 Backtrader、Zipline）那样只关注执行层，而是把重点放在 AI 模型与量化策略的深度融合 上。
主要特点（基于官方文档与社区反馈）：
- 数据层高度抽象：内置数据处理器，支持日频/分钟频/tick 级数据，自动处理复权、停牌、涨跌停等常见问题。
- 模型层灵活：支持 LightGBM/XGBoost/LSTM/Transformer 等经典模型，也容易插入自定义 PyTorch/TensorFlow 模型。
- 回测层真实：考虑滑点、冲击成本、交易延迟，支持高频/低频多种模式。
- 工作流自动化：通过 YAML 配置 + qrun 命令，一键跑完整实验（数据 → 特征 → 模型 → 回测 → 评估）。
- 开源生态：与 RD-Agent 结合后，支持 AI 自动生成/优化策略代码（实验性功能）。
主要流程包括：原始数据输入、Data Handler 处理、特征工程（Alpha158/Alpha360 等）、模型训练（LightGBM / LSTM / RL 等）、预测评分、组合策略（TopK / EnhancedIndexing 等）、回测执行（模拟交易/滑点/费用）、性能分析（年化/夏普/最大回撤），可选 RD-Agent 自动化优化。
谁适合用 Qlib？
| 用户类型 | 适合度 | 推荐理由 |
|---|---|---|
| 量化研究新人/学生 | ★★★★★ | 文档完善，qrun 一键跑示例，快速上手完整流程 |
| 小型量化团队/个人玩家 | ★★★★☆ | 开源免费，模型实验效率高 |
| 机构专业量化团队 | ★★★☆☆ | 核心逻辑可定制，但很多生产级需求（如风控、订单执行）仍需二次开发 |
| 高频交易玩家 | ★★☆☆☆ | 更适合日频/低频，tick 级支持有限 |
社区反馈：小基金和学术圈使用较多，部分中国公募有基于 Qlib 的合作案例，但专业机构往往只用其数据层或模型层，执行层会替换成自研系统。
快速上手（当前流程）
前提：Python 3.8+，建议用 conda 环境。
- 安装
# 推荐方式：源码安装（支持最新功能）
git clone https://github.com/microsoft/qlib.git
cd qlib
pip install -e .[dev]
# 或者直接 pip（可能稍滞后）
pip install pyqlib
- 获取数据（最重要一步！） Qlib 需要先下载/转换数据，默认支持中国 A 股 + 美股部分数据。
# 下载示例数据（中国 A 股日频，~几百 MB）
python scripts/get_data.py qlib_data_cn --target_dir ~/.qlib/qlib_data/cn_data
python scripts/dump_bin.py dump_all --csv_path your_data.csv --qlib_dir ~/.qlib/qlib_data/custom
